[发明专利]一种用于多配送中心运输车辆的优化调度方法

权利要求书

1.一种用于多配送中心运输车辆的优化调度方法，其特征在于：首先针对多配送中心运输车辆的配送过程建立排序调度模型并确立优化目标；然后设计带学习机制的改进蚁群优化调度算法对目标进行优化；

所述多配送中心运输车辆配送过程的排序调度模型依据配送中心数量、派出车辆数量、车辆配送过程以及客户与配送中心的相互位置分布关系建立，优化目标为最小化车辆总运输距离D(π)：

D_h,πh,1,1＝d_h,πh,1,1,h＝1,2,…,m (1)

π＝{π₁,π₂,…,π_m} (9)

D(π)＝D₁(π₁)+D₂(π₂)+,…,D_m(π_m) (10)

π^*＝arg{D(π)}→min (11)

n＝n₁+n₂+,…,+n_m (13)

式中，m表示配送中心数；π_h,1表示第h个配送中心中第1辆车所服务的客户序；表示第h个配送中心中第1辆车所服务的第1个客户的位置到相应配送中心位置的距离；表示第h个配送中心中第1辆车服务完其第1个客户所行驶的距离；n_h,1表示第h个配送中心中第1辆车所服务的客户数；表示第h个配送中心中第1辆车服务完其第j-1个客户所行驶的距离；表示第h个配送中心中第1辆车所服务的第j-1个客户的位置到第j个客户位置的距离；表示第h个配送中心中第1辆车服务完其第j个客户所行驶的距离；表示第h个配送中心中第1辆车服务完其第n_h,1个客户所行驶的距离；表示第h个配送中心中第1辆车所服务的第n_h,1个客户的位置到相应配送中心位置的距离；表示第h个配送中心中第1辆车返回相应配送中心后行驶的总距离；k_h表示第h个配送中心派出的车辆数；π_h,i表示第h个配送中心中第i辆车所服务的客户序；表示第h个配送中心中第i辆车所服务的第1个客户的位置到相应配送中心位置的距离；表示第h个配送中心中第i辆车服务完其第1个客户所行驶的距离；n_h,i表示第h个配送中心中第i辆车所服务的客户数；表示第h个配送中心中第i辆车服务完其第j-1个客户所行驶的距离；表示第h个配送中心中第i辆车所服务的第j-1个客户的位置到第j个客户位置的距离；表示第h个配送中心中第i辆车服务完其第j个客户所行驶的距离；表示第h个配送中心中第i辆车所服务的第n_h,i个客户的位置到相应配送中心位置的距离；表示第h个配送中心中第i辆车服务完其第n_h,i个客户所行驶的距离；表示第h个配送中心中第i辆车返回相应配送中心后行驶的总距离；π_h表示第h个配送中心派出的所有车辆服务的客户序；D_h(π_h)表示第h个配送中心派出的所有车辆行驶的总距离之和；π表示所有配送中心派出的所有车辆服务的客户序；D(π)表示所有配送中心派出的所有车辆行驶的总距离之和，即目标函数；π^*表示最小化目标函数时的客户排序；n_h表示第h个配送中心派出的所有车辆服务的客户总数；n表示所有配送中心派出的所有车辆服务的客户总数；

所述带学习机制的改进蚁群优化调度算法具体为：

Step1、初始化信息素矩阵并同时初始化知识库：信息素矩阵的初始化通过贪心算法生成一个可行解并计算其目标函数值Fitness，然后将信息素矩阵中的所有元素均设为1/Fitness的方式完成；知识库的初始化首先通过正交试验设计法获取N_p组算法参数并设定每组参数对应的贡献值为令其次设计N_l种用于局部搜索的局部操作并设定每种操作对应的贡献值为令

Step2、确定算法参数：根据知识库中N_p组算法参数的贡献值用轮盘赌法选择一组参数用于算法当次迭代优化过程；

Step3、生成种群规模为pop的新种群并对其进行评价：pop的取值为30～60，新种群中个体的生成过程依式(14)进行，新种群生成后，若其平均质量提高，则知识库中被选取用于当次迭代优化过程的第k组算法参数的贡献值提升1，即知识库依此进行一次更新、积累；

式中，p_ij(ite)表示当前蚂蚁从点i出发前往点j的概率；τ_ij(ite)表示当前由点i和点j所组成的路径上的信息素强度；α表示信息素权重，取值为0.5～2.0；β表示启发因子权重，取值为0.5～2.0；η_ij(ite)表示当前由点i和点j所组成的路径的启发因子；R是不在当前蚂蚁禁忌列表中的点的集合；

Step4、对新生成的种群执行变邻域局部搜索：当种群中的个体满足时，为种群平均质量，D_l为个体质量，对该个体执行变邻域局部搜索，在变邻域局部搜索过程中，若当前个体的质量改善，则知识库中用于改善当前个体的第l个局部操作的贡献值提升1，即知识库依此进行一次更新、积累；

Step5、更新信息素矩阵：Step4中被执行变邻域局部搜索的个体被用来更新信息素矩阵，改进的信息素矩阵更新过程依式(15)、(16)进行；

τ_ij(ite+1)＝(1-ρ)τ_ij(ite)+Δτ_ij(ite,ite+1) (16)

式中，与D_l的表示意义与Step4中相同，w_l表示个体权重；Q表示信息素强度，取值为500～2000；π_l表示个体路径；表示个体在路径上释放的信息素；Δτ_ij(ite,ite+1)表示所有个体在路径上释放的信息素总和；ρ表示信息素挥发因子，取值为0.05～0.25；τ_ij(ite)表示更新前的信息素矩阵；τ_ij(ite+1)表示更新后的信息素矩阵；

Step6、终止条件判定：若算法满足终止条件，即算法迭代次数达到最大迭代限制次数300时，输出“最优解”；否则跳转至Step2进行反复迭代，直至满足终止条件为止。

2.根据权利要求1所述的用于多配送中心运输车辆的优化调度方法，其特征在于：所述对新生成的种群执行变邻域局部搜索过程具体为：对新种群中质量优于种群平均值的个体依次执行Insert操作、Swap操作和Change操作maxN＝500次，在执行过程中，若被执行个体的质量得到改善，则用改善后的个体替换原个体。